في عالم صناعة السيارات، يعتبر التعرف على أشكال النماذج ثلاثية الأبعاد (3D Mode Shape Recognition) مهمة أساسية، لكنه غالبًا ما يعتمد على الفحص البصري اليدوي من قبل مهندسين ذوي خبرة. تتسم الطرق الحالية التي تعتمد على المعايير الهندسية أو مؤشرات النمذجة مثل (Modal Assurance Criterion - MAC) أو التمثيل المعتمد على الهندسة للذكاء الاصطناعي بعدم تقديم موثوقية كافية عبر هياكل السيارات المختلفة والأشكال الهندسية المستخدمة.

لتجاوز هذه التحديات، يقدم الباحثون إطار عمل مبتكر يعتمد على تمثيل بياني هندسي قياسي (Canonical Engineering Graph Representation) والذي يستخدم التعلم المستند إلى المناطق لتوفير حلول موثوقة وقابلة للتفسير في التعرف على أشكال النماذج ثلاثية الأبعاد. وليس مثل الطرق التقليدية التي تعتمد على الشبكات المخصصة لكل مركبة، يتم تحويل نماذج العناصر المحدودة (Finite Element models - FE) وقياسات التجارب إلى رسم بياني مشترك، حيث تمثل العقد مناطق هيكلية دلالية مرتبطة من خلال علاقات هندسية.

تُجمع الأوصاف الإقليمية المستقلة عن الهندسة مع التعلم القائم على التركيز الجرافيكي وتجميع واعٍ للمناطق للتقاط التفاعلات الهيكلية أثناء الحفاظ على دلالات هندسية، مما يمكّن من توقعات ذات تفسير فعلي.

يؤكد هذا الإطار المقترح على فصل المعرفة الهندسية عن التقسيم العددي، مما يسمح بالانتقال عبر برامح المركبات المختلفة دون الحاجة إلى تكرار تكوين الشبكات أو إعدادات المستشعرات.

تظهر النتائج المستخلصة من البيانات التجريبية أن هذه الطريقة تحقق دقة تصنيف عالية وقابلية نقل بين المركبات، مع توفير تفسيرات مرتبطة بالمناطق الهيكلية المعرفة هندسياً والتي تستخدم في تحليل NVH (Noise, Vibration, and Harshness).

إلى جانب التعرف على أشكال النماذج، يوفر تمثيل الهندسة القياسية الشامل (Canonical Engineering Graph Representation) تجريدًا هندسيًا يمكن إعادة استخدامه للذكاء الاصطناعي الثقة والقابل للنقل عبر مختلف مجالات المحاكاة والتجارب.